基础知识

基础的数据格式和结构

张量的数学结构

三维张量

Tensor是MindSpore网络运算的一个基本数据结构，MindSpore的所有运算或者数学操作都是基于Tensor的。

创建张量

通过数据直接创建

from mindspore import Tensor

x = Tensor(0.1)
print(x)
print(type(x))

根据Numpy数组生成

import numpy as np

arr = np.array([1, 0, 1, 0])
tensor_arr = Tensor(arr)

print(arr)
print(type(arr))
print(tensor_arr)
print(type(tensor_arr))

使用init初始化器构造张量

Tensor构建的时候已经适用过构造器了，为什么还需要使用构造器构造张量？
张量在神经网络中是一个高维数据，如果一开始的初始化做的好可能有助于神经网络模型的学习，假设需要全1的张量，只需要在第三个参数中传入One()即可。

当使用init初始化器对张量进行初始化时，支持传入的参数有init、shape、dtype。

• init: 支持传入initializer的子类。
• shape: 支持传入 list、tuple、 int。
• dtype: 支持传入mindspore.dtype。

from mindspore import set_seed
from mindspore import dtype as mstype
from mindspore.common.initializer import One, Normal

set_seed(1)

tensor1 = Tensor(shape=(2, 2), dtype=mstype.float32, init=One())
tensor2 = Tensor(shape=(2, 2), dtype=mstype.float32, init=Normal())

print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)

通过继承的方式构造张量

from mindspore import ops

oneslike = ops.OnesLike()
x = Tensor(np.array([[0, 1], [2, 1]]).astype(np.int32))
output = oneslike(x)

print(output)
print(x)
print("input shape:", x.shape)
print("output shape:", output.shape)

张量的属性

张量的属性包括形状、数据类型、转置张量、单个元素大小、占用字节数量、维数、元素个数和每一维步长。

• 形状（shape）：Tensor的shape，是一个tuple。
• 数据类型（dtype）：Tensor的dtype，是MindSpore的一个数据类型。
• 转置张量（T）：Tensor的转置，是一个Tensor。
• 单个元素大小（itemsize）： Tensor中每一个元素占用字节数，是一个整数。
• 占用字节数量（nbytes）： Tensor占用的总字节数，是一个整数。
• 维数（ndim）： Tensor的秩，也就是len(tensor.shape)，是一个整数。
• 元素个数（size）： Tensor中所有元素的个数，是一个整数。
• 每一维步长（strides）： Tensor每一维所需要的字节数，是一个tuple。

张量索引

Tensor索引与Numpy索引类似，索引从0开始，负索引表示按倒序编制，冒号:和 ...用于对数据进行切片。

张量运算

张量之间有很多运算，包括算术、线性代数、矩阵处理（转置、标引、切片）、采样等，张量运算和NumPy的使用方式类似。
普通算术运算有：加（+）、减（-）、乘（*）、除（/）、取模（%）、整除（//）。

Concat

Concat可以将给定维度上的一系列张量连接起来。

data1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
data2 = Tensor(np.array([[4, 5], [6, 7]]).astype(np.float32))
op = ops.Concat()
output = op((data1, data2))

print(output)
print("shape:\n", output.shape)

Stack

Stack则是从另一个维度上将两个张量合并起来。

data1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
data2 = Tensor(np.array([[4, 5], [6, 7]]).astype(np.float32))
op = ops.Stack()
output = op([data1, data2])

print(output)
print("shape:\n", output.shape)

Tensor与NumPy转换

Tensor可以和NumPy进行互相转换，一般在网络模型的输出之后会对Tensor做一些下游任务的处理或者把它编程具体的机器学习的任务。

Tensor转换为NumPy

与张量创建相同，使用 asnumpy() 将Tensor变量转换为NumPy变量。

zeros = ops.Zeros()

output = zeros((2, 2), mstype.float32)
print("output: {}".format(type(output)))

n_output = output.asnumpy()
print("n_output: {}".format(type(n_output)))

NumPy转换为Tensor

使用Tensor()将NumPy变量转换为Tensor变量。

output = np.array([1, 0, 1, 0])
print("output: {}".format(type(output)))

t_output = Tensor(output)
print("t_output: {}".format(type(t_output)))